Arquivo Discussoes de Programacao e Tecnologia Boa noite pessoal.
Estou usando o PDFBox para extrair textos de PDFs, porém, ele está omitido as quebras de linhas que estão entre os parágrafos.
A figura abaixo ilustra um exemplo:
.
Alguém saberia uma forma de extrair o texto sem ignorar as quebras de linha?
Boa noite, Helciodasilva!
A solução depende de como o documento original está sendo formatado:
Se for um documento do Word e a configuração de parágrafo estiver definida para inserir espaçamentos após o parágrafo, na verdade, não existe linha em branco!
Tela de configuração do Word:
Sem configuração de espaçamento:
Não ¶
¶
Me¶
¶
Ignore¶
Com configuração de espaçamento:
Não ¶
Me¶
Ignore¶
Código de Teste:
package org.teste;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.util.PDFTextStripper;
public class TesteLinhasEmBranco {
public static void main(String[] args) {
String contents = "";
PDDocument doc = null;
try {
doc = PDDocument.load("nao.pdf");
PDFTextStripper stripper = new PDFTextStripper();
stripper.setLineSeparator("\n");
stripper.setStartPage(1);
stripper.setEndPage(1);
contents = stripper.getText(doc);
String[] linhas = contents.split("\\r?\\n");
for (int i = 0; i < linhas.length; i++) {
System.out.println(String.format("%d: %s", i + 1, linhas[i]));
}
doc.close();
} catch (Exception e) {
e.printStackTrace();
}
}
}
Saída da primeira configuração:
1: Não
2:
3: Me
4:
5: Ignore
Saída da segunda configuração:
1: Não
2: Me
3: Ignore
Abcs!